/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
460 млн
Лицензия
Apache 2.0
Архитектура
lfm2 · dense
Базовая модель
kani-tts-400m-0.3-pt
Библиотека
transformers
Опубликована
19 окт 2025

kani-tts-370m-expo2025-osaka-ja

Генерация текстаТекст → текст3 профессии

Компактная дообученная модель KaniTTS для быстрого синтеза японской речи из текста в разговорных приложениях.

21скачиваний за 30 дней6лайковвеса обновлены2 ноя 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

KaniTTS EXPO2025 Osaka Japanese — компактная модель синтеза японской речи, представленная как подарок от Кыргызской Республики к Expo Osaka 2025. Это дообученная версия KaniTTS Pretrain v0.3 с архитектурой LFM2 и примерно 460 млн параметров по метаданным; README указывает размер 370 млн параметров. Модель принимает текст и генерирует речь на японском языке. В README описан двухэтапный конвейер: языковая модель формирует сжатые аудиотокены, затем нейрокодек синтезирует звуковую волну. Указана частота дискретизации 22 кГц и контекст 128 000 токенов по метаданным.

Модель предназначена для разговорных помощников с низкой задержкой, экранных дикторов, языкового обучения и запуска на ограниченных ресурсах. README сообщает о генерации 15 секунд аудио примерно за секунду и потреблении около 2 ГБ VRAM на RTX 5090; эти показатели относятся к указанной конфигурации оборудования. Лицензия — Apache 2.0. Среди ограничений названы ухудшение качества при входах длиннее 2000 токенов и ограниченная выразительность эмоций без дополнительного дообучения; произношение и просодия могут наследовать смещения обучающих данных.

Сценарии применения

  • генерация японской речи для чат-ботов и виртуальных помощников
  • озвучивание текста для экранных дикторов
  • создание японских голосовых подсказок для приложений
  • произношение японских фраз в инструментах изучения языка

Ограничения

Качество может снижаться для входов длиннее 2000 токенов; выразительность эмоций ограничена без дополнительного дообучения. Произношение и просодия могут отражать смещения обучающих данных.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

KaniTTS EXPO2025 Osaka japanese

License

A high-speed, high-fidelity Text-to-Speech model optimized for real-time conversational AI applications.


『いのち輝く未来社会のデザイン』という大阪・関西万博2025のテーマを祝し、キルギスの人々から日本の皆さまへ --心と心 をつなぐ贈り物として、どうぞお受け取り ください。


In honor of Expo Osaka 2025 and its motto 'Designing Future Society for Our Lives,' we humbly present this gift from the people of the Kyrgyz Republic to the people of Japan - heart to heart.


Overview

KaniTTS uses a two-stage pipeline combining a large language model with an efficient audio codec for exceptional speed and audio quality. The architecture generates compressed token representations through a backbone LLM, then rapidly synthesizes waveforms via neural audio codec, achieving extremely low latency.

Key Specifications:

  • Model Size: 370M parameters
  • Sample Rate: 22kHz
  • Languages: Japanese
  • License: Apache 2.0

Quickstart: Install from PyPI & Run Inference

It’s a lightweight so you can install, load a model, and speak in minutes. Designed for quick starts and simple workflows—no heavy setup, just pip install and run. More detailes...

Install

pip install kani-tts
pip install -U "transformers==4.57.1" # for LFM2 !!!

Quick Start

from kani_tts import KaniTTS

model = KaniTTS('nineninesix/kani-tts-370m-expo2025-osaka-ja')

# Generate audio from text
audio, text = model("Your text here")

# Save to file (requires soundfile)
model.save_audio(audio, "output.wav")

Custom Configuration

from kani_tts import KaniTTS

model = KaniTTS(
    'nineninesix/kani-tts-370m-expo2025-osaka-ja',
    temperature=0.7,           # Control randomness (default: 1.0)
    top_p=0.9,                 # Nucleus sampling (default: 0.95)
    max_new_tokens=2000,       # Max audio length (default: 1200)
    repetition_penalty=1.2,    # Prevent repetition (default: 1.1)
    suppress_logs=True,        # Suppress library logs (default: True)
    show_info=True,            # Show model info on init (default: True)
)

audio, text = model("Your text here")

Playing Audio in Jupyter Notebooks

You can listen to generated audio directly in Jupyter notebooks or IPython:

from kani_tts import KaniTTS
from IPython.display import Audio as aplay

model = KaniTTS('nineninesix/kani-tts-370m-expo2025-osaka-ja')
audio, text = model("Your text here")

# Play audio in notebook
aplay(audio, rate=model.sample_rate)

Performance

Nvidia RTX 5090 Benchmarks:

  • Latency: ~1 second to generate 15 seconds of audio
  • Memory: 2GB GPU VRAM
  • Quality Metrics: MOS 4.3/5 (naturalness), WER <5% (accuracy)

Pretraining:

  • Dataset: ~80k hours from LibriTTS, Common Voice, and Emilia
  • Hardware: 8x H100 GPUs, 45 hours training time on Lambda AI

Voices Datasets

Audio Examples

TextAudio
こんにちは!カニと申します。私はボイスモデルです!何についてお話ししましょうか?
2025年の大阪・関西万博は素晴らしいイベントでした。
「いのち輝く未来社会のデザイン」というテーマが多くの人の心に残りました。
世界中の国々が未来の技術を紹介しました。
小さな一歩でも、前に進めば景色が変わります。
何気ない日常の中にも、心が温まる瞬間があります。

Use Cases

  • Conversational AI: Real-time speech for chatbots and virtual assistants
  • Edge/Server Deployment: Resource-efficient inference on affordable hardware
  • Accessibility: Screen readers and language learning applications
  • Research: Fine-tuning for specific voices, accents, or emotions

Limitations

  • Performance degrades with inputs exceeding 2000 tokens
  • Limited expressivity without fine-tuning for specific emotions
  • May inherit biases from training data in prosody or pronunciation

Optimization Tips

  • Multilingual Performance: Continually pretrain on target language datasets and fine-tune NanoCodec
  • Batch Processing: Use batches of 8-16 for high-throughput scenarios
  • Hardware: Optimized for NVIDIA Blackwell architecture GPUs

Resources

Models:

Examples:

Links:

Acknowledgments

Built on top of LiquidAI LFM2 350M as the backbone and Nvidia NanoCodec for audio processing.

Responsible Use

Prohibited activities include:

  • Illegal content or harmful, threatening, defamatory, or obscene material
  • Hate speech, harassment, or incitement of violence
  • Generating false or misleading information
  • Impersonating individuals without consent
  • Malicious activities such as spamming, phishing, or fraud

By using this model, you agree to comply with these restrictions and all applicable laws.

Contact

Have a question, feedback, or need support? Please fill out our contact form and we'll get back to you as soon as possible.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Lfm2ForCausalLM
Ревизия весов
50d913e

0 моделей